基于数据挖掘的供应链管理研究

基于数据挖掘的供应链管理研究

1化纤供应链的信息共享特点供应链管理是一种现代的企业管理模式，需要充分的公司和市场信息，以实现物流、信息流、现金流、交易关系等因素的统一组织、规划、协调和控制。但是,要获得供应链企业和产品的有效信息,依靠传统方式的成本是非常高昂的。信息技术为企业实施供应链管理提供了有力的支持,使得供应链信息容易共享,供应链上所有的企业也可以通过对信息的管理创造价值。数据挖掘作为一种新颖的信息处理技术,正在愈来愈多地用于解决企业管理问题。供应链企业之间有频繁的数据和信息交互,这为数据挖掘提供了必要基础,并使数据挖掘的范围从企业内部扩大到企业外部的整个“链”,有了这些信息资源,供应商、制造商和销售商就可以制定切实可行的需求、生产和供货计划,使信息沿着整个供应链顺畅流动,有助于整个产业运行的组织和协调。从化纤原材料到化纤产成品的产品链中存在着众多的化纤中间产品,这些中间产品既作为其上游产品链的“产成品”,又作为其下游产品链的“原材料”。因而,化纤产品企业间存在着紧密的相互依存关系。化纤供应链是基于化纤产品紧密联系的特点和化纤企业对企业间信息共享的需求而形成的。本文据此运用数据挖掘方法对化纤供应链产品的价格进行预测,得到了满意的结果,有助于化纤供应链企业作出供应链管理决策及国家有关部门对化纤行业进行宏观调控。2数据库的基本特征数据挖掘(DataMining)是从大型数据源中抽取人们感兴趣的知识,这些知识是隐含的、事先未知的和潜在有用的重要信息。它汇集了来自机器学习、模式识别、数据库、统计学、人工智能及管理决策系统等各学科的成果,至今仍处于快速变化与发展中。数据挖掘功能一般可以分为两类:预测和描述。描述性挖掘功能描述数据库中数据的一般特性,而预测性挖掘功能在当前数据上进行推断,以进行预测。因为数据挖掘是从大量的数据中抽取知识的过程,鉴于数据本身的性质,那些符合推理和统计原理的、信息论的、遗传算法的和神经网络的知识被首先运用到知识发现的算法设计中。统计分析是应用最早、也是目前最成熟和行之有效的一种数据挖掘方法。方法的关键是构造合适的统计模型和数学模型来解释被分析的数据模式。这种方法要求使用者具有较丰富的领域知识。统计分析一般有两大步骤构成:首先,使用者从数据库中选择抽取适当的数据;其次,使用者执行统计分析工具提供的可视化功能和分析功能来寻求数据间的关系,并构造统计模型和数学模型来解释数据。其中第二步是反复的和不断求精的。若对分析步骤的进一步细分,包括问题定义、数据提取、数据预处理、知识提取、知识评估等过程。33.1化纤供应链企业的总体效益分析问题定义就是明确需要解决的问题,这要求充分了解相关领域的有关情况,熟悉数据产生的背景知识。2001年我国化纤供应链企业经济效益严重滑坡,主要表现为以下两方面:一是化纤供应链企业赢利水平大幅下降。2001年化纤行业赢利25.6亿元,比2000年减利34.4亿元。二是化纤供应链企业运行质量明显下降。资产负债率继续提高,总资产报酬率、销售利润等运行指标下降较快。导致化纤供应链企业经济效益下滑有多个因素,其中主要是因为化纤产品的价格偏低。因而对化纤产品的价格进行预测有着重要意义。在化纤行业,产品种类繁多。在此,以化纤供应链中的重要产品——涤纶长丝为例。在下一步数据提取之前,不仅需要弄清楚有关涤纶长丝所处的产品供应链之间的相互关系,也需了解整个化纤行业甚至相关行业的背景知识。3.2产品属性分析数据库中有以上供应链产品的大量数据,提取数据的不同将直接影响所建模型的结果。在本文研究的问题中,如何提取数据将牵涉到3个方面:数据是关于哪些产品的;抽取出来的产品数据应包含哪些属性;关于产品属性的数据属于哪个时间段。供应链中的供应链企业,它的输入即为其上游企业的输出,而它的输出又作为其下游企业的输入。因而,在分析供应链产品属性时,除了考虑该产品的其它相关属性外,也应考虑其上下游产品的相关属性。对产品属性的选择一般可采用可视化操作进行,如散点图、图表、曲线等,还可采用聚类、分类、因子分析等方法进行筛选。这是一个反复试探和观察的过程,需要丰富的知识和敏锐的观察力。通过对影响涤纶长丝的价格因素进行分析,从数据库中提取与涤纶长丝成本、供给和需求相关的数据,具体产品属性如下:(1)PET(涤纶切片)价格,反映长丝的原料成本;(2)长丝的生产量、进口量、出口量,由于长丝的出口量很小而省略,即用长丝的生产量+长丝的进口量来反映长丝的国内供应量;(3)纺织品产值、进口额、出口额,即以纺织品产值+纺织品进口额—纺织品出口额来反映长丝的国内需求;(4)以长丝的代表产品150DTY价格来代替长丝的价格。以上数据均为2000年1月至2001年12月数据。3.3对采集数据进行预处理存在不完整的、含噪音的和不一致的数据是大型的、现实世界数据库或数据仓库的共同特点。导致这些问题的原因可能有多种:人或计算机的错误可能在数据输入时出现;数据传输中的错误;数据没有被包含在内,可能因为输入时认为是不重要的等等。这些数据会影响数据挖掘结果的质量。因而,在下一步的知识提取之前,必须对这些数据进行预处理。数据预处理包括:(1)数据清理。用于填充空缺的值,平滑数据,找出孤立点并纠正数据的不一致性;(2)数据集成。将来自不同数据源的数据整合成一致的数据存储;(3)数据变换。将数据变换成适于挖掘的形式。例如,属性数据可以规范化,使得它们可以落入较小区间;(4)数据归约。用来产生一个小得多,但仍接近于保持原数据的完整性的数据集。这样,在归约后的数据集上挖掘将更有效,并产生相同(或几乎相同)的分析结果。3.4知识发现算法知识提取是运用知识发现算法从预处理后的数据中提取用户所需的知识。这是数据挖掘的中心环节,根据数据集的特征和要实现的目标,选用一种或几种知识发现算法,如数理统计法、人工神经网络、决策树等,从而将隐含在数据中的内在关系定量化、模型化。此步需要不断地试验,以得到拟合效果最好的模型。3.4.1涤纶长丝月产量根据以上经过预处理的数据,经过多种方法反复比较,较合适的为如下应用SAS软件建立的多元线性回归模型:150DTY的价格=-2090.47+1.6506PET价格-18.9241(涤纶长丝月产量+涤纶长丝月进口量)+2.2259(纺织品月产值+纺织品月进口额—纺织品月出口额)式中涤纶长丝月产量、涤纶长丝月进口量的单位为万吨;纺织品月产值、纺织品月进口额、纺织品月出口额的单位为亿元。该模型的样本决定系数R-Square=0.9834,调整后的样本决定系数AdjR-Sq=0.9808。3.4.2对涤纶长丝月需求的预测对自变量值的预测,以对历史数据的预测误差最小为主要依据选用不同的预测法,方法主要有:一次指数平滑法;二次指数平;滑法;移动平均法;灰色预测模型法等。(1)由于对PET价格预测时缺乏一些数据而难以建立多元回归模型,因而采用二次指数平滑法对其预测。(2)对涤纶长丝月产量+长丝月进口量(国内供应),纺织品月产值+纺织品月进口额—纺织品月出口额(国内需求)的预测,采用的方法是灰色预测模型法。2002年1月至3月的自变量值预测结果如表1所示。把自变量的预测值代入长丝价格预测模型,可得2002年1月至3月长丝价格的预测值为8550吨/元,9200吨/元,10050吨/元。2002年1月至3月长丝的实际价格是8990吨/元,9330吨/元,9800吨/元。长丝价格预测值与实际值对照如表2所示。3.5预测结果的分析知识评估是将数据挖掘中发现的知识(结果、模式或模型)作进一步解释。此外,还要根据一定的方法,对决策支持的适用性作出评价,如可以扩大样本的范围,检验模型是否仍然满足;如通过检验发现第一次构建的样本数据并不具有充分的代表性,或者模型本身不够完善,就需要重新进行知识挖掘过程。在此,对以上建立的预测结果作进一步的分析:(1)切片价格的上升,意味着涤纶长丝原料成本的上升,因而导致其价格的上涨,其影响量为切片价格的1.6506倍;(2)(涤纶长丝产量+涤纶长丝进口量)即涤纶长丝的国内供应量,其值越大,长丝价格越低,且以18.9241倍值影响涤纶长丝价格;(3)(纺织品月产值+纺织品月进口额—纺织品月出口额)相当于涤纶长丝的国内需求量,其值越大,长丝价格越高,且以2.2259倍值影响涤纶长丝价格。根据以上分析,国家有关部门可作出宏观调控,如削减涤纶长丝产量或刺激纺织品的需求可促使涤纶长丝的价格上涨。4基于数据挖掘的价格预测模型数据挖掘是一个多学科交叉领域,它从数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、知识获取、信息提取、高性能计算和数据可视化等学科领域汲取营养,其展现出来的广阔前景